Study of Rainfastness of Synthetic Pesticides Using Newly Developed Rainfastness Adjuvant
Notice bibliographique
Résumé
The development of rainfastness adjuvants is of great significance in reducing the loss of applied pesticides via rainfall and enhancing their efficacy. Most pesticides lose their efficiency after been exposed to 5 cm of rain. The use of rainfastness adjuvants reduces the number of times a pesticide must be applied to the field and, as a result, the overall quantity of pesticides used by a farmer. This not only reduces the costs incurred by farmers but also provides them with tools to enhance the sustainability of their operations. Also, enhancing the rainfastness of pesticides reduces the amount of pesticide runoff a farm operation generates. Two different mechanisms can provide rainfastness: fast uptake by the plant and strong adhesion to the plant surface. We studied a newly developed rainfastness adjuvant (Dow) that provides a significant improvement in rainfastness for multiple synthetic pesticides formulations. The newly developed adjuvant was added to the synthetic pesticides at a 7% concentration, and then the formulations were exposed to simulated rain at a flow rate of 6 L/h for different exposure times. An increase in active retention of up to 82% could be obtained with the newly developed adjuvant when compared to a control formulation. In addition, an increase in performance of up to 64% could be obtained with the adjuvant when compared to a commercial benchmark rainfastness adjuvant.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».